油浸式电力变压器是电网中能量传输和转换最为核心,应用最广泛的枢纽设备之一,其性能密切关系着电力系统的安全可靠运行,因此准确的掌握电力变压器运行状态、及时有效的发现变压器潜在性故障,不仅可以指导电力变压器状态检修和运行维护工作,而且能有效的降低电力事故和变压器故障的发生机率。本论文采用大数据分析方法,以变压器实际运行数据为基础,选取能够有效表征影响变压器运行状态的特征量为评估指标,建立电力变压器状态综合评估体系,进而结合智能优化算法构建评估模型对变压器进行状态评估研究；以油中溶解气体含量比值为特征量,结合智能优化算法建立故障诊断模型,对变压器进行故障诊断方法研究,主要进行的工作如下：研究现有研究成果并搜集了大量标准、规程和专家经验,对可能影响变压器运行状态的指标进行了分析和筛选,结合建立电力变压器指标体系应该遵循的原则,建立了变压器运行状态综合评估指标体系。将极限学习机(ELM)算法应用于变压器状态评估中,利用自适应进化算法(SaE)对ELM进行优化,构建了基于SaE-ELM的电力变压器运行状态综合评估模型。研究变压器自身差异情况对变压器状态评估准确性的影响,对该模型和SVM模型、ELM模型进行对比研究。测试结果分析表明：增加变压器自身差异因素为状态评估指标可以提高评估的准确率；SaE-ELM模型可用于变压器状态评估并且评估准确性比SVM模型和ELM模型都高。针对极限学习机算法在实际应用中参数的随机性缺陷,使用人工鱼群算法(AFSA)对ELM的权值及阈值进行优化。为了有效克服变压器不完备故障样本数据对故障诊断结果的影响,本文构建了基于DGA的粗糙集与人工鱼群极限学习机(AFSA-ELM)变压器故障诊断方法。利用电力变压器故障诊断数据集对其进行训练、测试,实例研究分析表明：该方法诊断效果良好,从而为变压器故障诊断提出了一种极具参考价值的新思路。